CN110335248A - 医学图像病灶检测方法、装置、计算机设备和存储介质 - Google Patents
医学图像病灶检测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN110335248A CN110335248A CN201910468493.4A CN201910468493A CN110335248A CN 110335248 A CN110335248 A CN 110335248A CN 201910468493 A CN201910468493 A CN 201910468493A CN 110335248 A CN110335248 A CN 110335248A
- Authority
- CN
- China
- Prior art keywords
- detection
- detection network
- probability
- stage
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 806
- 230000003902 lesion Effects 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims description 65
- 238000012549 training Methods 0.000 claims description 60
- 238000004590 computer program Methods 0.000 claims description 26
- 238000012360 testing method Methods 0.000 abstract description 8
- 238000001914 filtration Methods 0.000 description 25
- 238000012795 verification Methods 0.000 description 6
- 238000002591 computed tomography Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 206010058467 Lung neoplasm malignant Diseases 0.000 description 3
- 206010056342 Pulmonary mass Diseases 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 3
- 201000005202 lung cancer Diseases 0.000 description 3
- 208000020816 lung neoplasm Diseases 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000002372 labelling Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010028980 Neoplasm Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001035 drying Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0012—Biomedical image inspection
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30061—Lung
- G06T2207/30064—Lung nodule
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30004—Biomedical image processing
- G06T2207/30096—Tumor; Lesion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Pathology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Radiology & Medical Imaging (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种医学图像病灶检测方法、装置、计算机设备和存储介质。所述方法包括:获取待检测医学图像;将待检测医学图像输入至预设的级联检测网络中,得到级联检测网络每一级检测网络的初始检测概率;基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果。采用本方法能够减少假阳性,提高检测准确率。
Description
技术领域
本申请涉及图像处理技术领域,特别是涉及一种医学图像病灶检测方法、装置、计算机设备和存储介质。
背景技术
随着人工智能技术的发展和医疗设备的提升,人工智能在医疗领域中的应用也在快速推广,包括医学图像、临床决策支持、病历分析等众多场景。通过人工智能技术可以有效提高诊疗效率和诊断的精度。例如,肺癌是当今死亡率最高的癌症之一,传统利用低剂量CT(Computed Tomography,电子计算机断层扫描)进行早期肺癌筛查可以起到有效的防止效果。然而早期肺癌在CT影像中往往表现为小型的肺结节,需要花费大量的时间进行筛查。因此,为了可以有效提升肺结节筛查的效率,增加肺结节的检出率,通常借助计算机辅助检测系统进行筛查。大多数计算机辅助检测系统由两个阶段组成,确定候选区域阶段和减少假阳性阶段。在确定候选区域过程中,常用的都是基于深度学习的技术,例如Faster RCNN(Faster Region CNN,快速区域卷积神经网络)。虽然基于深度学习的技术比传统的检测系统有更高的检出率,但是仍然存在大量的假阳性,导致最终得到检测结果不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高检测准确率的医学图像病灶检测方法、装置、计算机设备和存储介质。
一种医学图像病灶检测方法,所述方法包括:
获取待检测医学图像;
将所述待检测医学图像输入至预设的级联检测网络中,得到所述级联检测网络每一级检测网络的初始检测概率;
基于各级检测网络的所述初始检测概率进行计算,得到目标检测概率,根据所述目标检测概率确定检测结果。
在其中一个实施例中,所述基于各级检测网络的所述初始检测概率进行计算,得到目标检测概率,根据所述目标检测概率确定检测结果的步骤,包括:
根据各级检测网络的所述初始检测概率分别进行计算,得到各级检测网络对应的输出概率;
将最后一级检测网络的输出概率作为目标检测概率,根据所述目标检测概率确定检测结果。
在其中一个实施例中,所述根据各级检测网络的所述初始检测概率分别进行计算,得到各级检测网络对应的输出概率的步骤,包括:
将当前进行计算的检测网络作为当前级检测网络,当所述当前级检测网络为第一级检测网络时,根据当前级检测网络对应的计算阈值和初始检测概率进行计算,得到当前级检测网络对应的输出概率;
当所述当前级检测网络不是第一级检测网络时,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率。
在其中一个实施例中,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率的步骤,包括:
根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率;
根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率。
在其中一个实施例中,所述根据当前级检测网络对应的计算阈值和初始检测概率或均值概率进行计算,得到当前级检测网络对应的输出概率的步骤,包括:
获取所述计算阈值和第一参数的差值,所述第一参数为当前级检测网络的均值概率,或当前级检测网络的初始检测概率;
将所述差值与预设门限值进行比较,确定最大值为当前级检测网络对应的输出概率。
在其中一个实施例中,根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率的步骤,包括:
当上一级检测网络的输出概率大于预设门限值时,计算上一级检测网络的输出概率与当前级检测网络的初始检测概率的平均值,将所述平均值确定为当前级检测网络的均值概率;
当上一级检测网络的输出概率等于预设门限值时,将所述预设门限值确定为当前级检测网络的均值概率。
在其中一个实施例中,在获取待检测医学图像之前,还包括训练所述级联检测网络的步骤,训练所述级联检测网络的步骤包括:
获取训练图像样本和标注样本;
根据所述标注样本从所述训练图像样本中提取正样本和负样本;
根据所述正样本和所述负样本训练所述级联检测网络的第一级检测网络;
基于所述第一级检测网络的检测结果,逐一确定剩余级检测网络的负样本;
根据所述正样本和剩余级检测网络的负样本训练对应的剩余级检测网络,直到所述级联检测网络的每一级检测网络训练完成。
一种医学图像病灶检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测医学图像;
检测模块,用于将所述待检测医学图像输入至预设的级联检测网络中,得到所述级联检测网络每一级检测网络的初始检测概率;
计算模块,用于基于各检测网络的所述初始检测概率进行计算,得到目标检测概率,根据所述目标检测概率确定检测结果。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一项所述的医学图像病灶检测方法。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现上述任一项所述的医学图像病灶检测方法。
上述医学图像病灶检测方法、装置、计算机设备和存储介质,获取到待检测医学图像后,通过调用预先训练好的级联检测网络中的每一级检测网络分别对待检测图像进行检测,得到每一级检测网络对应的初始检测概率。从而能够得到检测目标所在区域。基于各级检测网络的初始检测概率进行一系列计算,得到目标检测概率,根据目标检测概率确定检测结果,从而能够过滤掉初始检测网络检测的假阳性,保证最终检测结果的准确率能够得到大大的提升。
附图说明
图1为一个实施例中医学图像病灶检测方法的应用环境图;
图2为一个实施例中医学图像病灶检测方法的流程示意图;
图3为一个实施例中基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果步骤的流程示意图;
图4为一个实施例中级联检测网络模型的结构图;
图5为一个实施例中多个检测网络的PR曲线对比图;
图6为一个实施例中医学图像病灶检测装置的结构框图;
图7为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的医学图像病灶检测方法,可以应用于如图1所示的应用环境中。其中,医学扫描设备102通过网络与计算机设备104进行通信。计算机设备104获取医学扫描设备102发送的待检测医学图像。计算机设备104将待检测医学图像输入至预设的级联检测网络中,得到级联检测网络每一级检测网络的初始检测概率。计算机设备104基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果。其中,医学扫描设备102可以但不限于CT设备、PET设备、MRI设备、PET/CT设备,PET/MR设备等。计算机设备104可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。或者,计算机设备104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种医学图像病灶检测方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤S202,获取待检测医学图像。
其中,待检测医学图像是指需要对病灶区域位置进行检测的医学图像,而医学图像是由医学扫描设备对被扫描物体进行扫描得到的包含目标扫描部位的图像。待检测医学图像可以是医学扫描设备扫描后,实时或定期发送给计算机设备的,也可以是其他设备发送给计算机扫描设备的。即,其他设备将从医学扫描设备处获取的医学图像发送给计算机设备进行病灶检测。也就是说,计算机设备获取的待检测医学图像包括但不限于是医学扫描设备发送给的。
具体地,当用户通过医学扫描设备对目标物体进行扫描得到该目标物体对应的医学图像后,若需要对该医学图像进行病灶检测,则将该医学图像作为待检测医学图像。并将该待检测医学图像直接发送给进行病灶检测的计算机设备,或者通过发送给其他设备,通过其他设备将待检测医学图像发送给可以进行病灶检测的计算机设备,由此,计算机设备获取到待检测医学图像。进一步,当计算机设备获取到待检测医学图像后,为保证图像的质量,对待检测医学进行图像预处理。图像预处理包括但不限于图像去燥、灰度调整、尺寸调整以及归一化等。
步骤S204,将待检测医学图像输入至预设的级联检测网络中,得到级联检测网络每一级检测网络的初始检测概率。
其中,级联检测网络为预先训练好的用于对待检测医学图像进行病灶检测的神经网络模型。级联检测网络为多个检测网络串联所组成,而初始检测概率即是级联检测网络中的检测网络检测得到。
具体地,当计算机设备接收到待检测医学图像后,调用预先训练好的级联检测网络,并将待检测医学图像输入至该级联检测网络中。通过级联检测网络中的各检测网络分别对待检测医学图像进行检测,得到每一级检测网络对应的初始检测概率。例如,若该级联检测网络中一共包括三级检测网络,分别为检测网络1、检测网络2以及检测网络3。则当获取到待检测医学图像后,将该待检测医学图像分别输入至检测网络1、检测网络2以及检测网络3中。通过检测网络1对待检测医学图像进行检测,得到检测网络1的初始检测概率。同样的,检测网络2对待检测医学图像进行检测,得到检测网络2对应的初始检测概率。检测网络3对待检测医学图像进行检测,得到检测网络3对应的初始检测概率。
由于,级联检测网络中的检测网络是分开使用不同负样本训练所得,并且,除了第一级检测网络之外,其他每一级检测网络训练的负样本都是基于其对应的上一级检测网络训练后的检测结果所得。例如,当检测网络1训练完成后,通过检测网络1对训练样本进行检测,把检测网络1检测错误的样本作为检测网络2的训练样本完成检测网络2的训练,即把检测网络1产生的假阳性样本作为检测网络2的训练负样本。通过检测网络2的训练负样本和原始标注的正样本来完成检测网络2的训练。检测网络3同检测网络2一样,使用的是检测网络2的检测结果产生的假阳性样本作为训练负样本,结合原始标注正样本完成检测网络3的训练。因此,后一级检测网络能够检测出前一级检测网络无法检测出的负样本,即假阳性。也就是说,级联检测网络中的各级检测网络所得的初始检测概率是不相同的。其中,级联检测网络中的各检测网络包括但不限于为FPN网络(feature pyramid networks,特征金字塔网络),FPN网络包括FPN结构和特征提取神经网络,其中特征提取神经网络包括但不限于VGG(Visual Geometry Group Network,视觉几何组网络)、ResNet(Residual NeuralNetwork,残差网络)等。
步骤S206,基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果。
其中,目标检测概率是指能够确定检测结果的最终检测概率。检测结果即为根据目标检测概率确定待检测医学图像包括病灶的区域。
具体地,由于后一级检测网络使用的负样本是前一级检测网络留下的假阳性样本中抽取出的,使得后一级检测网络的检测能力有所提升,能够检测出前一级检测网络无法检测的负样本。因此,传统使用级联检测网络进行检测时,只需要级联检测网络中的各级检测网络完成检测后,便直接将最后一级检测网络得到的检测概率作为最终的检测概率。即,传统的级联检测网络中的各级检测网络都是分别对待检测图像进行检测,也就是各检测网络根据自己的判断来检测图像是否为包括病灶的图像,并没有考虑其他级检测网络的信息。也正是因为如此,若某一级检测网络错误的将某个图像确定分类为无病灶图像,该图像就会被过滤掉。也就是说,传统的这种策略可能非常危险,因为后一级检测网络训练使用的负样本是从前一级检测网络留下的假阳性样本中抽取出的。随着级联检测网络级联层级的增加,前一级网络产生的假阳性样本也随之减少。后面的检测网络就只能看到有限的负样本,因此使得后面的检测网络会非常敏感,容易出现过拟合。
因此,在本实施例中,当级联检测网络中的各级检测网络分别对待检测医学图像进行检测得到对应的初始检测概率之后,通过对各级检测网络的初始检测概率进一步进行计算,计算包括条件均值计算和过滤计算,根据条件均值计算和过滤计算后得到的目标检测概率确定检测结果,从而在过滤掉负样本之前,能够综合前面所有网络的判断结果,有效缓解过拟合问题。
上述医学图像病灶检测方法,获取到待检测医学图像后,通过调用预先训练好的级联检测网络中的每一级检测网络分别对待检测图像进行检测,得到每一级检测网络对应的初始检测概率。从而能够得到检测目标所在区域。基于各级检测网络的初始检测概率进行一系列计算,得到目标检测概率,根据目标检测概率确定检测结果,从而能够过滤掉初始检测网络检测的假阳性,保证最终检测结果的准确率能够得到大大的提升。
在一个实施例中,如图3所示,步骤S206,基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果,具体包括以下步骤:
步骤S302,根据各级检测网络的初始检测概率分别进行计算,得到各级检测网络对应的输出概率。
其中,输出概率为根据各级检测网络的初始检测网络进行过条件均值计算和过滤计算的概率。也就是通过计算已经将该级检测网络检测出来的负样本过滤掉之后的概率,根据该输出概率可以确定最终的检测概率,即目标检测概率。
具体地,依次将级联检测网络中的各级检测网络对应的初始检测概率与上一层的输出概率进行条件均值计算和过滤计算,得到各级检测概率对应的输出概率。也就是说,当计算某一级检测网络的输出概率时,获取这一级检测网络的初始检测概率,以及这一级检测网络对应的上一级检测网络的输出概率,从而根据这一级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值计算和过滤计算,得到这一级检测网络的输出概率。例如,级联检测网络中包括检测网络1、检测网络2以及检测网络3,当计算检测网络2的输出概率时,将检测网络2对应的初始检测概率和检测网络1的输出概率进行条件均值计算和过滤计算,得到检测网络2的输出概率。其中,由于级联检测网络中的第一级检测网络没有对应的上一级检测网络,即检测网络1没有对应的上一级检测网络,因此,级联检测网络中的第一级检测网络的输出概率由第一级检测网络的初始检测概率和对应的计算阈值直接进行过滤计算得到,即第一级检测网络没有条件均值运算。
在一个实施例中,步骤S302,根据各级检测网络的初始检测概率分别进行计算,得到各级检测网络对应的输出概率,具体包括:
将当前进行计算的检测网络作为当前级检测网络,当当前级检测网络为第一级检测网络时,根据当前级检测网络对应的计算阈值和初始检测概率进行计算,得到当前级检测网络对应的输出概率。当当前级检测网络不是第一级检测网络时,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率。
其中,当前级检测网络是指当前要进行计算的检测网络。为了便于区分,依次将要进行计算的检测网络作为当前级检测网络。也就是说,若要计算检测网络1的输出概率,则将检测网络1视为当前级检测网络、若要计算检测网络2的输出概率,则将检测网络2视为当前级检测网络,后续检测网络以此类推,在此不再赘述。计算阈值是指各检测网络对应的过滤阈值,过滤阈值是预先设定的。过滤阈值在将检测网络训练完成后,通过将其应用于所有的验证集图像进行训练后的验证,选择能够正确分类所有正样本的最大概率值作为该检测网络的过滤阈值。而由于级联检测网络的第一级检测网络没有对应的上一级检测网络,因此各级检测网络输出概率的计算分为两种情况,一种是当前级检测网络为第一级检测网络时,另一种则是当前级检测网络不是第一级检测网络时。
具体地,若当前级检测网络为第一级检测网络时,获取当前级检测网络对应的初始检测概率以及对应的计算阈值,通过当前级检测网络的初始检测概率和计算阈值计算对应的输出概率。而当前级检测网络不是第一级检测网络时,获取当前级检测网络对应的初始检测概率以及对应的上一级检测网络的输出概率,通过当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率计算本身对应的输出概率。例如,以检测网络1、检测网络2以及检测网络3为例进行说明,检测网络1作为第一级检测网络,没有对应的上一级检测网络,则获取检测网络1检测所得的初始检测概率,以及根据其经过训练后在测试的测试结果所确定的计算阈值,计算检测网络1的输出概率。而检测网络2和检测网络3均有对应的上一级检测网络,检测网络2对应的上一级检测网络为检测网络1,检测网络3对应的检测网络为检测网络2。当计算检测网络2的输出概率时,获取检测网络2检测所得的初始检测概率以及检测网络1的输出概率进行计算。同样的,当计算检测网络3的输出概率时,获取检测网络3的检测所得的初始检测概率以及检测网络2的输出概率进行计算。由此可得,除开第一级检测网络,其他检测网络输出概率的计算需要对应上一级的输出概率,因此输出概率的计算是根据各级检测网络逐一进行计算。
步骤S304,将最后一级检测网络的输出概率作为目标检测概率,根据目标检测概率确定检测结果。
具体地,最后一级检测网络作为级联检测网络中最后训练以及最后计算输出概率的检测网络,因此,直接将最后一级检测网络的输出概率作为最终的检测网络,即目标检测概率。根据最后一级检测网络的输出概率即可得到检测结果。
在一个实施例中,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率,具体包括:
根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率。根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率。
具体地,条件均值运算是指Cond.Mean算子(条件平均值算子),即根据计算条件进行对应的均值计算。具体地,当获取到当前级检测网络的初始检测概率以及对应的上一级检测网络的输出概率时,通过判断,确定上一级检测网络的输出概率满足的计算条件,基于该计算条件进行均值计算,得到值为当前级检测网络的均值概率。然后在根据均值概率和当前级检测网络对应的计算阈值,即基于验证集结果确定的过滤阈值进行过滤计算,得到当前级检测网络对应的输出概率。
在一个实施例中,根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率具体包括:当上一级检测网络的输出概率大于预设门限值时,计算上一级检测网络的输出概率与当前级检测网络的初始检测概率的平均值,将平均值确定为当前级检测网络的均值概率;当上一级检测网络的输出概率等于预设门限值时,将预设门限值确定为当前级检测网络的均值概率。
其中,预设门限值即为条件均值运算的计算条件,在本实施例中,预设门限值为0。通过判断对应上一级检测网络的输出概率与预设门限值的关系确定如何进行均值运算。
具体地,当上一级检测网络的输出概率大于预设门限值,即上一级检测网络的输出概率大于0时,将上一级检测网络的输出概率和当前级检测网络的初始检测概率作为均值运算的参数。计算上一级检测网络的输出概率和当前级检测网络的初始检测概率的平均值,得到值即为当前级检测网络的均值概率。而当上一级检测网络的输出概率等于预设门限值,即上一级检测网络的输出概率等于0,则无需进行均值计算,直接将预设门限值,也就是0作为当前级检测网络的均值概率。其中,条件均值运算计算公式如下:
其中,为均值概率,为上一级检测网络的输出概率,pi为当前级检测网络对应的初始检测概率。
在一个实施例中,过滤计算的步骤,即根据当前级检测网络对应的计算阈值和初始检测概率进行计算,或根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率的步骤,具体包括:获取计算阈值和第一参数的差值,第一参数为当前级检测网络的均值概率,或当前级检测网络的初始检测概率。将差值与预设门限值进行比较,确定最大值为当前级检测网络对应的输出概率。
其中,计算阈值即为过滤阈值,以及由于第一级检测网络没有对应的上一级检测网络,通过过滤阈值进行过滤计算分为两种情况,一种是根据第一级检测网络对应的初始检测网络和过滤阈值进行过滤计算得到第一级检测网络的输出阈值,另一种是第一级检测网络之外的其他检测网络根据对应的均值概率和过滤阈值进行过滤计算得到对应的输出概率。因此,第一参数包括均值概率和初始检测概率。过滤计算即是指在检测得到初始检测概率后,增加一个Threshold Relu(线性阈值)操作符来进行过滤计算。
具体地,通过计算过滤阈值和第一参数的差值,将差值与预设门限值进行比较,其中最大值的当前级检测网络对应的输出概率。过滤计算公式如下:
其中,为输出概率,Pi为当前级检测网络对应的初始检测概率,T为当前级检测网络对应的过滤阈值,max()为取最大值函数。
在一个实施例中,如图4所示,提供一种级联检测网络模型,检测网络以FPN网络为例。以下结合检测网络模型对本申请进行进一步详细说明。
参考图4,当获取到待检测医学图像后,通过将待检测医学图像分别输入各级检测网络,检测网络优选为FPN网络,即可以为多个FPN网络。各级检测网络输出对应的初始检测概率Pi。其中,第一级检测网络的初始检测概率为P1,第二级检测网络的初始检测概率为P2,……第i级检测网络的初始检测概率为Pi。首先,第一级检测网络的输出概率P1 rule通过线性阈值(Threshold Relu)操作符得到。然后将P1 rule传输给第二级检测网络的条件平均值算子(Cond.Mean算子),通过条件平均值算子(Cond.Mean算子)将P1 rule与P2进行条件均值运算,得到第二级检测网络对应的均值概率P2 avg。再根据第二级检测网络的均值概率P2 avg以及第二级检测网络的计算第二级检测网络的输出概率P2 rule,在将第二级检测网络的输出概率P2 rule传输到第三级检测网络的条件平均值算子(Cond.Mean算子)中,后续其他级检测网络均如此,最后将最后一层检测网络的输出概率Pi rule作为输出确定检测结果。在本实施例中,通过级联检测网络模型中的线性阈值(Threshold Relu)操作符过滤掉来过滤掉负样本,同时仍然保留先前级检测网络预测的各个样本的输出概率,将这些输出概率视为先验信息。然后,采用条件平均值算子(Cond.Mean算子)将先验值与当前级检测网络的初始检测概率进行有条件的均值运算,从而得到更为可靠的输出概率。由于该级联检测网络模型中的每个检测网络不仅使用自身的判断,还考虑到先前级检测网络的判断,因此能够很大程度缓解检测网络存在的过拟合问题,使得最终得到的检测性能能够进一步提高。其中,图4中R1、R2……Ri为锚回归图,根据最后一级检测网络的Ri和最终检测概率得到Pi rule级联检测网络的输出结果。
在一个实施例中,级联检测网络的训练过程包括:获取训练图像样本和标注样本。根据标注样本从训练图像样本中提取正样本和负样本。根据正样本和负样本训练级联检测网络的第一级检测网络。基于第一级检测网络的检测结果,逐一确定剩余级检测网络的负样本;根据正样本和剩余级检测网络的负样本训练对应的剩余级检测网络,直到级联检测网络的每一级检测网络训练完成。
具体地,训练图像样本是指包括检测目标的医学图像,标注样本是指标注了检测目标的医学图像,根据标注样本中标注的检测目标从训练图像样本中提取正样本和负样本。正样本即为检测目标图像,负样本即没有检测目标的图像,例如根据标注图像从训练图像样本中提取检测目标作为正样本,提取其他背景位置作为负样本。然后,根据确定的正样本和负样本训练级联检测网络中的第一级检测网络,当训练完成后,基于验证样本对训练好的第一级检测网络进行验证测试,得到第一级检测网络模型以及第一级检测网络的相关参数,例如第一级检测网络的过滤阈值。并且,基于选取的第一级检测网络对训练集进行检测,从检测结果中抽取假阳性样本作为第二级检测网络的负样本,基于正样本和重新为第二级检测网络确定的负样本训练第二级检测网络。同样地,在训练完第二级检测网络后,通过验证样本对第二级检测网络进行验证,得到第二级检测网络的模型以及第二级检测网络对应的相关参数。以及通过训练样本对第二级检测网络进行检测,从而根据第二级检测网络的检测结果确定第三级检测网络的负样本。依次类推,逐一确定各级检测网络的负样本以及基于该负样本对对应的检测网络进行训练,直到设定的所有级检测网络都训练完成。即,有级联检测网络一共三级检测网络则逐一分别训练三次,一共五级检测网络就逐一分别训练五次。当整个级联检测网络训练完成后,即可部署至计算机设备中使用。
进一步的,如图5所示,为本实施中级联检测网络与其他检测网络的PR(Precision-Recall,准确率-召回率)对比曲线图。PR曲线是反映网络性能的指标,其中,准确率是指网络预测正确的样本占总样本的比率,召回率则是预测正确的样本占所有正确样本的比率。也就是说,通过准确率和回归率这两个评价指标可以综合反映出检测网络的检测性能。
具体地,参考图5,当本实施例中的级联检测模型训练完成后,将没有级联的FPN网络、即特征金字塔网络,以及传统级联检测网络与本实施例中的级联检测网络进行性能检测和对比。即,基于同一测试集分别对特征金字塔网络、传统级联检测网络以及级联检测网络进行检测,其中,本实施例测试集共有606CT序列,标注结节1076个。根据检测结果分别确定每个网络对应的准确率和召回率,并根据准确率和召回率绘制如图5所示的曲线对比图。由此可见,本实施例中级联检测网络的检测性能远远优于特征金字塔网络网络和传统级联检测网络。
应该理解的是,虽然图2-3的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-3中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图6所示,提供了一种医学图像病灶检测装置,包括:获取模块602、检测模块604和计算模块606,其中:
获取模块602,用于获取待检测医学图像。
检测模块604,用于将待检测医学图像输入至预设的级联检测网络中,得到级联检测网络每一级检测网络的初始检测概率。
计算模块606,用于基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果。
在一个实施例中,计算模块606还用于根据各级检测网络的初始检测概率分别进行计算,得到各级检测网络对应的输出概率;将最后一级检测网络的输出概率作为目标检测概率,根据目标检测概率确定检测结果。
在一个实施例中,计算模块606还用于将当前进行计算的检测网络作为当前级检测网络,当当前级检测网络为第一级检测网络时,根据当前级检测网络对应的计算阈值和初始检测概率进行计算,得到当前级检测网络对应的输出概率;当当前级检测网络不是第一级检测网络时,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率。
在一个实施例中,计算模块606还用于根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率;根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率。
在一个实施例中,计算模块606还用于获取计算阈值和第一参数的差值,第一参数为当前级检测网络的均值概率,或当前级检测网络的初始检测概率;将差值与预设门限值进行比较,确定最大值为当前级检测网络对应的输出概率。
在一个实施例中,计算模块606还用于当上一级检测网络的输出概率大于预设门限值时,计算上一级检测网络的输出概率与当前级检测网络的初始检测概率的平均值,将平均值确定为当前级检测网络的均值概率;当上一级检测网络的输出概率等于预设门限值时,将预设门限值确定为当前级检测网络的均值概率。
在一个实施例中,医学图像病灶检测装置还包括训练模块,用于获取训练图像样本和标注样本;根据标注样本从训练图像样本中提取正样本和负样本;根据正样本和负样本训练级联检测网络的第一级检测网络;基于第一级检测网络的检测结果,逐一确定剩余级检测网络的负样本;根据正样本和剩余级检测网络的负样本训练对应的剩余级检测网络,直到级联检测网络的每一级检测网络训练完成。
关于医学图像病灶检测装置的具体限定可以参见上文中对于医学图像病灶检测方法的限定,在此不再赘述。上述医学图像病灶检测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种医学图像病灶检测方法。
本领域技术人员可以理解,图7中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待检测医学图像;
将待检测医学图像输入至预设的级联检测网络中,得到级联检测网络每一级检测网络的初始检测概率;
基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据各级检测网络的初始检测概率分别进行计算,得到各级检测网络对应的输出概率;将最后一级检测网络的输出概率作为目标检测概率,根据目标检测概率确定检测结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
将当前进行计算的检测网络作为当前级检测网络,当当前级检测网络为第一级检测网络时,根据当前级检测网络对应的计算阈值和初始检测概率进行计算,得到当前级检测网络对应的输出概率;当当前级检测网络不是第一级检测网络时,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率;根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取计算阈值和第一参数的差值,第一参数为当前级检测网络的均值概率,或当前级检测网络的初始检测概率;将差值与预设门限值进行比较,确定最大值为当前级检测网络对应的输出概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:当上一级检测网络的输出概率大于预设门限值时,计算上一级检测网络的输出概率与当前级检测网络的初始检测概率的平均值,将平均值确定为当前级检测网络的均值概率;当上一级检测网络的输出概率等于预设门限值时,将预设门限值确定为当前级检测网络的均值概率。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:
获取训练图像样本和标注样本;根据标注样本从训练图像样本中提取正样本和负样本;根据正样本和负样本训练级联检测网络的第一级检测网络;基于第一级检测网络的检测结果,逐一确定剩余级检测网络的负样本;根据正样本和剩余级检测网络的负样本训练对应的剩余级检测网络,直到级联检测网络的每一级检测网络训练完成。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待检测医学图像;
将待检测医学图像输入至预设的级联检测网络中,得到级联检测网络每一级检测网络的初始检测概率;
基于各级检测网络的初始检测概率进行计算,得到目标检测概率,根据目标检测概率确定检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据各级检测网络的初始检测概率分别进行计算,得到各级检测网络对应的输出概率;将最后一级检测网络的输出概率作为目标检测概率,根据目标检测概率确定检测结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
将当前进行计算的检测网络作为当前级检测网络,当当前级检测网络为第一级检测网络时,根据当前级检测网络对应的计算阈值和初始检测概率进行计算,得到当前级检测网络对应的输出概率;当当前级检测网络不是第一级检测网络时,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率;根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取计算阈值和第一参数的差值,第一参数为当前级检测网络的均值概率,或当前级检测网络的初始检测概率;将差值与预设门限值进行比较,确定最大值为当前级检测网络对应的输出概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
当上一级检测网络的输出概率大于预设门限值时,计算上一级检测网络的输出概率与当前级检测网络的初始检测概率的平均值,将平均值确定为当前级检测网络的均值概率;当上一级检测网络的输出概率等于预设门限值时,将预设门限值确定为当前级检测网络的均值概率。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:
获取训练图像样本和标注样本;根据标注样本从训练图像样本中提取正样本和负样本;根据正样本和负样本训练级联检测网络的第一级检测网络;基于第一级检测网络的检测结果,逐一确定剩余级检测网络的负样本;根据正样本和剩余级检测网络的负样本训练对应的剩余级检测网络,直到级联检测网络的每一级检测网络训练完成。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种医学图像病灶检测方法,所述方法包括:
获取待检测医学图像;
将所述待检测医学图像输入至预设的级联检测网络中,得到所述级联检测网络每一级检测网络的初始检测概率;
基于各级检测网络的所述初始检测概率进行计算,得到目标检测概率,根据所述目标检测概率确定检测结果。
2.根据权利要求1所述的方法,其特征在于,所述基于各级检测网络的所述初始检测概率进行计算,得到目标检测概率,根据所述目标检测概率确定检测结果的步骤,包括:
根据各级检测网络的所述初始检测概率分别进行计算,得到各级检测网络对应的输出概率;
将最后一级检测网络的输出概率作为目标检测概率,根据所述目标检测概率确定检测结果。
3.根据权利要求2所述的方法,其特征在于,所述根据各级检测网络的所述初始检测概率分别进行计算,得到各级检测网络对应的输出概率的步骤,包括:
将当前进行计算的检测网络作为当前级检测网络,当所述当前级检测网络为第一级检测网络时,根据当前级检测网络对应的计算阈值和初始检测概率进行计算,得到当前级检测网络对应的输出概率;
当所述当前级检测网络不是第一级检测网络时,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率。
4.根据权利要求3所述的方法,其特征在于,基于当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率,计算得到当前级检测网络对应的输出概率的步骤,包括:
根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率;
根据当前级检测网络对应的计算阈值和均值概率进行计算,得到当前级检测网络对应的输出概率。
5.根据权利要求3或4所述的方法,其特征在于,所述根据当前级检测网络对应的计算阈值和初始检测概率或均值概率进行计算,得到当前级检测网络对应的输出概率的步骤,包括:
获取所述计算阈值和第一参数的差值,所述第一参数为当前级检测网络的均值概率,或当前级检测网络的初始检测概率;
将所述差值与预设门限值进行比较,确定最大值为当前级检测网络对应的输出概率。
6.根据权利要求4所述的方法,其特征在于,根据当前级检测网络的初始检测概率和对应的上一级检测网络的输出概率进行条件均值运算,得到当前级检测网络的均值概率的步骤,包括:
当上一级检测网络的输出概率大于预设门限值时,计算上一级检测网络的输出概率与当前级检测网络的初始检测概率的平均值,将所述平均值确定为当前级检测网络的均值概率;
当上一级检测网络的输出概率等于预设门限值时,将所述预设门限值确定为当前级检测网络的均值概率。
7.根据权利要求1所述的方法,其特征在于,在获取待检测医学图像之前,还包括训练所述级联检测网络的步骤,训练所述级联检测网络的步骤包括:
获取训练图像样本和标注样本;
根据所述标注样本从所述训练图像样本中提取正样本和负样本;
根据所述正样本和所述负样本训练所述级联检测网络的第一级检测网络;
基于所述第一级检测网络的检测结果,逐一确定剩余级检测网络的负样本;
根据所述正样本和剩余级检测网络的负样本训练对应的剩余级检测网络,直到所述级联检测网络的每一级检测网络训练完成。
8.一种医学图像病灶检测装置,其特征在于,所述装置包括:
获取模块,用于获取待检测医学图像;
检测模块,用于将所述待检测医学图像输入至预设的级联检测网络中,得到所述级联检测网络每一级检测网络的初始检测概率;
计算模块,用于基于各检测网络的所述初始检测概率进行计算,得到目标检测概率,根据所述目标检测概率确定检测结果。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468493.4A CN110335248B (zh) | 2019-05-31 | 2019-05-31 | 医学图像病灶检测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910468493.4A CN110335248B (zh) | 2019-05-31 | 2019-05-31 | 医学图像病灶检测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110335248A true CN110335248A (zh) | 2019-10-15 |
CN110335248B CN110335248B (zh) | 2021-08-17 |
Family
ID=68140658
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910468493.4A Active CN110335248B (zh) | 2019-05-31 | 2019-05-31 | 医学图像病灶检测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110335248B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853021A (zh) * | 2019-11-13 | 2020-02-28 | 江苏迪赛特医疗科技有限公司 | 一种病理鳞状上皮细胞的检测分类模型的构建 |
CN111192255A (zh) * | 2019-12-30 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 指标检测方法、计算机设备和存储介质 |
CN112862824A (zh) * | 2020-04-17 | 2021-05-28 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 |
WO2023051085A1 (zh) * | 2021-09-30 | 2023-04-06 | 腾讯科技(深圳)有限公司 | 对象识别方法、装置、设备、存储介质和程序产品 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871106A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 人脸检测方法和装置 |
CN108280436A (zh) * | 2018-01-29 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于堆叠递归单元的多级残差网络的动作识别方法 |
CN108564029A (zh) * | 2018-04-12 | 2018-09-21 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
CN109544534A (zh) * | 2018-11-26 | 2019-03-29 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
CN109670452A (zh) * | 2018-12-20 | 2019-04-23 | 北京旷视科技有限公司 | 人脸检测方法、装置、电子设备和人脸检测模型 |
-
2019
- 2019-05-31 CN CN201910468493.4A patent/CN110335248B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871106A (zh) * | 2016-09-26 | 2018-04-03 | 北京眼神科技有限公司 | 人脸检测方法和装置 |
CN108280436A (zh) * | 2018-01-29 | 2018-07-13 | 深圳市唯特视科技有限公司 | 一种基于堆叠递归单元的多级残差网络的动作识别方法 |
CN108564029A (zh) * | 2018-04-12 | 2018-09-21 | 厦门大学 | 基于级联多任务学习深度神经网络的人脸属性识别方法 |
CN109271992A (zh) * | 2018-09-26 | 2019-01-25 | 上海联影智能医疗科技有限公司 | 一种医学图像处理方法、系统、装置和计算机可读存储介质 |
CN109544534A (zh) * | 2018-11-26 | 2019-03-29 | 上海联影智能医疗科技有限公司 | 一种病灶图像检测装置、方法和计算机可读存储介质 |
CN109670452A (zh) * | 2018-12-20 | 2019-04-23 | 北京旷视科技有限公司 | 人脸检测方法、装置、电子设备和人脸检测模型 |
Non-Patent Citations (4)
Title |
---|
JIFENG DAI ET AL.: ""Instance-aware Semantic Segmentation via Multi-task Network Cascades"", 《ARXIV》 * |
WANLI OUYANG ET AL.: ""Chained Cascade Network for Object Detection"", 《IEEE》 * |
戴为龙: ""雷达一维距离像目标识别研究"", 《中国优秀硕士学问论文全文数据库 信息科技辑》 * |
邹冲 等: ""组合SVM分类器在行人检测中的研究"", 《计算机科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110853021A (zh) * | 2019-11-13 | 2020-02-28 | 江苏迪赛特医疗科技有限公司 | 一种病理鳞状上皮细胞的检测分类模型的构建 |
CN111192255A (zh) * | 2019-12-30 | 2020-05-22 | 上海联影智能医疗科技有限公司 | 指标检测方法、计算机设备和存储介质 |
CN111192255B (zh) * | 2019-12-30 | 2024-04-26 | 上海联影智能医疗科技有限公司 | 指标检测方法、计算机设备和存储介质 |
CN112862824A (zh) * | 2020-04-17 | 2021-05-28 | 中山仰视科技有限公司 | 新型冠状病毒肺炎病灶检测方法、系统、装置和存储介质 |
WO2023051085A1 (zh) * | 2021-09-30 | 2023-04-06 | 腾讯科技(深圳)有限公司 | 对象识别方法、装置、设备、存储介质和程序产品 |
Also Published As
Publication number | Publication date |
---|---|
CN110335248B (zh) | 2021-08-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110335248B (zh) | 医学图像病灶检测方法、装置、计算机设备和存储介质 | |
CN110599451B (zh) | 医学图像病灶检测定位方法、装置、设备及存储介质 | |
US11669965B2 (en) | AI-based label generating system and methods for use therewith | |
CN110941986B (zh) | 活体检测模型的训练方法、装置、计算机设备和存储介质 | |
CN110796656A (zh) | 图像检测方法、装置、计算机设备和存储介质 | |
CN110334722B (zh) | 图像分类方法、装置、计算机设备和存储介质 | |
CN111008643B (zh) | 基于半监督学习的图片分类方法、装置和计算机设备 | |
CN108647732B (zh) | 一种基于深度神经网络的病理图像分类方法及装置 | |
CN110797101B (zh) | 医学数据处理方法、装置、可读存储介质和计算机设备 | |
CN110807491A (zh) | 车牌图像清晰度模型训练方法、清晰度检测方法及装置 | |
CN110956628B (zh) | 图片等级分类方法、装置、计算机设备和存储介质 | |
CN111340070A (zh) | 植物病虫害诊断方法和系统 | |
CN109271957B (zh) | 人脸性别识别方法以及装置 | |
CN111128348B (zh) | 医学图像处理方法、装置、存储介质及计算机设备 | |
CN113705685B (zh) | 疾病特征识别模型训练、疾病特征识别方法、装置及设备 | |
US20220036140A1 (en) | Classification device, classification method, program, and information recording medium | |
CN113160199B (zh) | 影像识别方法、装置、计算机设备和存储介质 | |
CN114820535B (zh) | 动脉瘤的图像检测方法、装置、计算机设备及存储介质 | |
US11875898B2 (en) | Automatic condition diagnosis using an attention-guided framework | |
CN112163110B (zh) | 图像分类方法、装置、电子设备和计算机可读存储介质 | |
CN111612749B (zh) | 基于肺部影像的病灶检测方法和装置 | |
CN111145152B (zh) | 图像检测方法、计算机设备和存储介质 | |
EP4246525A1 (en) | Method and device for processing pathological slide image | |
CN112257567A (zh) | 行为识别网络的训练、行为识别方法及相关设备 | |
CN117036305A (zh) | 一种用于咽喉检查的图像处理方法、系统及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |